[发明专利]一种目标状态分类方法、装置及系统

说明书

本发明实施例提供了一种目标状态分类方法、装置及系统，其中，目标状态分类方法包括：获取待检测图像序列，待检测图像序列中包括多个待检测图像；利用预设特征提取方法，提取各待检测图像的目标特征；通过向各待检测图像的目标特征分配关注度权重，对各待检测图像的目标特征进行加权组合，得到加权特征；基于加权特征，利用预设循环网络模型，识别待检测图像序列中目标的状态类别。通过本方案可以提高目标状态分类的准确率。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种目标状态分类方法、装置及系统。

背景技术

随着图像处理技术的不断发展，监控系统的应用范围越来越广。在例如城市道路监控的场景下，通过分析道路监控设备采集的图像，判断机动车辆、行人、非机动车辆等目标的状态，进而实现对城市道路交通状态、交通事件等进行判别，根据判别结果为出行者实时提供出行路线是否有交通事故、是否交通拥堵等交通信息，有效提高出行效率。目标状态分类的核心在于目标特征的提取，由于深度学习方法(例如卷积神经网络)在进行目标特征提取中的高效性和准确率，已成为目标特征提取的主流方法，并且通过在时间维度上将深度学习方法进行扩展，实现对图像序列的目标状态分类，但是，这种方法只能获取短时状态信息，对于复杂的场景，需要利用较早时间的状态信息对当前的目标状态进行分类，这样，导致在进行目标状态分类时，易出现错误。

针对上述问题，相应的目标状态分类方法中，将基于CNN(Convolutional NeuralNetwork，卷积神经网络)的目标特征检测与基于LSTM(Long Short-Term Memory，长短时记忆)的时序检测相结合。针对图像序列，采用目标特征检测和时序结构检测的结果相融合的方式，更为全面的判别图像序列中的目标状态。

由于图像序列中往往包含有多个目标，且场景复杂多变，经常会出现目标被遮挡的情况，则需要非常长的图像序列才能保证目标状态分类的准确性，然而，如果图像序列过长，LSTM的性能会受到较大影响，造成大量的误检。

发明内容

本发明实施例的目的在于提供一种目标状态分类方法、装置及系统，以提高目标状态分类的准确率。具体技术方案如下：

第一方面，本发明实施例提供了一种目标状态分类方法，所述方法包括：

获取待检测图像序列，所述待检测图像序列中包括多个待检测图像；

利用预设特征提取方法，提取各待检测图像的目标特征；

通过向各待检测图像的目标特征分配关注度权重，对各待检测图像的目标特征进行加权组合，得到加权特征；

基于所述加权特征，利用预设循环网络模型，识别所述待检测图像序列中目标的状态类别。

可选的，所述获取待检测图像序列，包括：

获取通过图像采集设备采集的多个源图像；

通过对各源图像进行图像预处理操作，得到与各源图像分别对应的各待检测图像，其中，所述图像预处理操作包括对各源图像的运动前景目标特征进行增强，以及针对相邻的两个源图像进行运动前景目标的光流特征提取；

确定各待检测图像组成待检测图像序列；

所述利用预设特征提取方法，提取各待检测图像的目标特征，包括：

利用预设特征提取方法，提取各待检测图像的运动前景目标特征及光流特征；

针对各待检测图像，按照预设组合规则，将该待检测图像的运动前景目标特征及光流特征进行组合，得到该待检测图像的目标特征。

可选的，所述通过对各源图像进行图像预处理操作，得到与各源图像分别对应的各待检测图像，包括：

利用预先建立的混合高斯模型，提取各源图像中的运动前景目标和背景目标；